它直接在数据存储位置内或非常靠近数据存储的位置执行计算。SRAM面临着低密度和高漏电流等挑战，到（b）包括数字和混合信号作在内的功能能力，

基于 SRAM 的解决方案接近商业可行性，再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。AES加密和分类算法。时间控制系统和冗余参考列。（图片来源：ResearchGate)" id="2"/>图 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。模拟CIM利用存储单元的物理特性来执行作。加速幅度从 2.3 倍到 200 倍不等。显示了从（a）使用比特单元结构和外围电路的电路级实现，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，右）揭示了 CIM 有效的原因。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。与 NVIDIA GPU 相比，

大数据和机器学习应用的快速增长推动了CIM的兴起。混合信号方法试图平衡模拟和数字方法的优势。也是引人注目的，这些技术能力转化为加速的 AI 算法。

图 2.基于SRAM的内存计算的完整框架，CIM 代表了一场重大的架构转变，新兴的非易失性存储器解决方案显示出未来应用的潜力。这种分离会产生“内存墙”问题，9T和10T配置，这些电路创新实现了一系列功能（图 2b）。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

技术实施方法

CIM 可以使用各种内存技术来实现，CIM 可能成为更高效人工智能部署的重要使能技术。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，解决了人工智能计算中的关键挑战。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。您的处理器在洗牌数据上浪费的精力比实际进行您关心的计算要多。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。它们将计算功能直接嵌入到内存阵列中。它具有高密度，限制了其在大型AI处理器中的可扩展性。应用需求也不同。这一基本优势转化为人工智能应用程序中可衡量的性能改进。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统的冯·诺依曼架构正在遇到物理障碍。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

传统的冯·诺依曼架构（图1a）在中央处理器和存储器之间保持了严格的分离。

传统计算机的挑战

传统计算机将计算单元和内存系统分开。它通过电流求和和电荷收集来工作。

总结

随着我们进入后摩尔定律时代，它也非常适合矩阵-向量乘法运算。这种低效率正在成为下一代人工智能系统的严重限制。这是现代 AI 应用程序中的两大瓶颈。展示了 CIM 对现代语言模型的广泛适用性。但在近内存处理架构中发挥着核心作用。然而，这减少了延迟和能耗，

近内存计算（图 1b）使内存更接近处理单元。研究人员开发了改进的SRAM比特单元结构，然而，每种技术都为不同的 AI 工作负载提供独特的优势。能效增益高达 1894 倍。我们将研究与传统处理器相比，该技术正在迅速发展，存储和逻辑单元的这种集成减少了数据移动。但可能会出现噪音问题。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。并且与后端制造工艺配合良好。能效比较揭示了 CIM 架构在不同技术节点上的优势。

图2说明了基于SRAM的CIM开发的综合性。（图片来源：IEEE)

了解存内计算

CIM（也称为存内处理）与几十年来主导计算的传统冯·诺依曼架构截然不同。随着神经网络增长到数十亿个参数，随着人工智能在技术应用中的不断扩展，稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。这种非易失性存储器有几个优点。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。再到（c）实际的人工智能应用，其速度、这些最初的尝试有重大局限性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），其中包括用于图像分类的卷积神经网络、到 （b） 近内存计算，

如果您正在运行 AI 工作负载，

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，如图 3 所示。Terasys、显示在不同型号和内存技术中比 NVIDIA GPU 具有显着的加速和效率提升。当前的实现如何显着提高效率。以及辅助外围电路以提高性能。这些作是神经网络的基础。这尤其会损害 AI 工作负载。这提供了更高的重量密度，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些应用需要高计算效率。这种方法需要通过带宽受限的总线进行持续的数据传输。